[논문 리뷰] First-principles machine learning modelling of COVID-19

Luca Magri, Nguyen Anh Khoa Doan|arXiv (Cornell University)|2020. 04. 20.

COVID-19 epidemiological studies참고 문헌 3인용 수 23

한 줄 요약

이 논문은 공식 코로나19 데이터와 SIRD 병원 감염 전파 모델을 통합하여 10개의 글로벌 지역에서 시간에 따라 변화하는 전파, 회복, 사망률, R₀ 및 두 배 시간을 추정하는 원리 기반 기계학습 모델을 제시한다. 이 모델은 새로운 데이터가 제공될 경우 빠르게 재학습이 가능하며, 국가 간 일관된 결과를 바탕으로 감염 및 사망 정점 시기를 예측한다. 간섭 조치가 없을 경우 급속한 지수 성장이 발생하고, R₀ 값은 0.04에서 1.79 사이로 변동한다.

ABSTRACT

The coronavirus disease 2019 (COVID-19) has changed the world since the World Health Organization declared its outbreak on 30th January 2020, recognizing the outbreak as a pandemic on 11th March 2020. As often said by politicians and scientific advisors, the objective is "to flatten the curve", or "push the peak down", or similar wording, of the virus spreading. Central to the official advice are mathematical models and data, which provide estimates on the evolution of the number of infected, recovered and deaths. The accuracy of the models is improved day by day by inferring the contact, recovery, and death rates from data (confirmed cases). A data-driven model trained with {\it both} data {\it and} first principles is proposed. The model can quickly be re-trained any time that new data becomes available. The method can be applied to more detailed epidemic models with virtually no conceptual modification.

연구 동기 및 목표

• 공식 사례 데이터와 전염병 병원 모델링을 결합한 데이터 기반 원리 기반 기계학습 모델을 개발하여 실시간으로 전파 역학을 추정한다.
• 초기 팬데믹 기간 동안 주요 글로벌 지역에서 시간에 따라 변화하는 접촉(β), 회복(γ), 사망(µ) 비율, 기본 재생수(R₀), 이중 시간을 추정한다.
• 일정하거나 선형적으로 변화하는 매개변수를 가정한 다양한 조건에서 감염, 회복, 사망 및 감염 가능 인구 비율의 예측 추세를 제공한다.
• 새로운 데이터가 제공될 경우 모델을 신속하게 재학습할 수 있도록 하여 시의적절한 공중보건 의사결정 지원을 가능하게 한다.
• 저출하 또는 테스트 정책 변화와 같은 데이터 편향에 대한 추정의 탄력성을 평가하며, 일관된 원리 기반 가정을 사용한다.

제안 방법

• 일반적인 총 인구 수와 동일한 집단을 가정하는 수정된 SIRD(Susceptible, Infected, Recovered, Dead) 병원 모델을 원리 기반 기초로 사용한다.
• 존스 홉킨스 대학교 CSSE의 확진 사례 및 사망 데이터에 대해 신경망 기반 최적화를 적용하여 모델 매개변수(β, γ, µ)를 피팅한다.
• 물리적 일관성을 확보하기 위해 손실 함수에 제약 조건을 적용하며, 훈련 안정성을 높이기 위해 손실 함수 내 로그 변환을 사용한다.
• 시간에 따라 변화하는 매개변수를 추정하기 위해 제약 최적화 프레임워크를 사용하며, 짧은(7일) 및 긴(14일) 창의 평균 기울기를 바탕으로 외삽한다.
• R₀는 β/γ로 계산하고, 이중 시간은 log(2)/β로 계산하며, 로그 변환 및 비로그 변환된 손실 함수를 사용한 민감도 분석을 실시한다.
• 역사적 데이터를 사용한 예측 검증과 함께, 일정 매개변수, 짧은 창, 긴 창 외삽 전략을 비교하여 불확실성 범위를 평가한다.

실험 결과

연구 질문

• RQ1 팬데믹 기간 동안 원리 기반 전염병 모델을 실시간 데이터와 기계학습을 통해 효과적으로 통합하여 동적 전파 매개변수를 추정할 수 있는가?
• RQ2 코로나19 팬데믹 초기 단계 동안 주요 국가들에서 시간에 따라 변화하는 접촉, 회복, 사망 비율은 무엇인가?
• RQ3 다른 외삽 가정 조건에서 감염 및 사망 정점은 각국에서 언제 예상되며, 이러한 추정치는 어떻게 다를 수 있는가?
• RQ4 모델은 R₀와 이중 시간을 어떻게 추정하는가? 데이터 변환(Log 대 비로그)이 매개변수 안정성에 어떤 영향을 미치는가?
• RQ5 저출하 또는 테스트 정책 변화와 같은 데이터 편향에 대해 예측 결과는 어느 정도 탄력적인가?

주요 결과

• 모델은 간섭 조치가 없을 경우 모든 연구 지역에서 감염이 급속한 지수 성장하는 경향을 보이며, 초기 팬데믹 역학과 일치한다.
• 영국은 2020년 7월 18일에 감염률 정점 2.84%에 도달했으며, 2021년 2월 10일까지 사망률 정점 2.13%에 도달했다.
• 이탈리아는 2020년 7월 11일에 감염률 정점 0.80%에 도달했으며, 2021년 2월 10일까지 사망률 정점 0.42%에 도달했고, 2020년 4월 30일경에 R₀가 1.0으로 떨어졌다.
• 중국은 2020년 4월 23일경에 추정 R₀가 0.006으로 매우 낮은 전파 수준을 보였으며, 감염 및 사망 정점 비율은 0.01% 이하였다.
• 뉴욕 시티는 2020년 4월 30일까지 감염률 정점 2.72%에 도달했으며, 2021년 2월 10일까지 사망률 정점 1.96%에 도달했고, 2020년 4월 27일경에 R₀가 1.0으로 떨어졌다.
• 세계 평균 R₀는 2020년 6월 15일경에 1.0으로 떨어졌으며, 감염률 정점은 2020년 8월 20일까지 2.05%에 도달했고, 사망률 정점은 2021년 2월 10일까지 0.86%에 도달했다.